L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 237
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Et alors ? tout va mal, apparemment ? vaincre le marché sous forme d'achat et de conservation a échoué.
la question n'est pas...
la question est de savoir pourquoi un modèle entraîné sur le hasard donne de meilleurs résultats sur les nouvelles données du marché (OOS) qu'un modèle entraîné à l'origine sur les données du marché.
p.s. personne n'a essayé de créer un super système
la question n'est pas...
la question est de savoir pourquoi un modèle formé sur l'aléatoire est plus performant sur les nouvelles données du marché (OOS) qu'un modèle formé à l'origine sur les données du marché.
p.s. personne n'a essayé de créer un super système
Il est recyclé. Un modèle surentraîné n'a pas de caractéristiques du tout.
des questions...
1) pourquoi celui qui est formé sur le hasard n'est pas recyclé ?
2) pourquoi celui qui est formé sur les randoms ne perd pas le dépôt dirigé ?
3) pourquoi celui qui est formé sur des données réelles perd la direction par la tendance ?
des questions...
1) pourquoi celui qui est formé sur le hasard n'est pas recyclé ?
2) pourquoi celui qui est formé sur les randoms ne perd pas le dépôt dirigé ?
3) pourquoi celui qui est formé sur des données réelles perd la direction par la tendance ?
Il me semble (pas sûr)
des questions...
1) pourquoi celui qui est formé sur le hasard n'est pas recyclé ?
2) pourquoi celui qui est formé sur les randoms ne perd pas le dépôt dirigé ?
3) pourquoi celui qui est formé sur des données réelles perd la direction par la tendance ?
Le fait est que lorsque nous utilisons le bruit comme guide, nous obtenons un système neutre. Il fonctionne aussi essentiellement de manière aléatoire avec les données du marché. Et il est plus rentable d'agir au hasard sur le marché que de penser que l'on sait où le marché va aller(une grille entraînée le pense).
Rien de surprenant donc, le marché essaie toujours d'évoluer à l'encontre de ses statistiques (contre les masses), et l'apprentissage consiste, au pire, à apprendre par cœur des statistiques et, au mieux, à saisir des modèles. Mais ni les statistiques ni les modèles ne fonctionnent dans l'avenir, car le marché essaie toujours d'aller à l'encontre de ses statistiques, à l'encontre des masses. Le cercle est fermé. L'apprentissage n'a aucun sens, tout ce qui a été appris (de manière correcte, sans sur-apprentissage) sera inutile sur l'OOS.
D'où les résultats moyens (ni bons ni mauvais) sur les données du marché d'un système formé au hasard. Ces pensées ont été exprimées par moi quelque part en 2009, lorsque j'ai suggéré de générer une série synthétique essentiellement à partir de données aléatoires mais avec des caractéristiques paramétriques et d'étudier comment le TS se comporte sur ces données, qui s'appliqueraient ensuite aux données réelles du marché. Il s'agit d'une "approche pessimiste" du marché.
L'approche "optimiste" est la même que celle que j'ai mentionnée l'année dernière - les "modèles fluides". La signification est la même - le marché est en constante évolution, mais la différence consiste à suivre ces changements, à suivre les dérivés du marché et à négocier en fonction de ces changements (ou en fonction des changements).
Les deux approches "pessimiste" et "optimiste" ne se contredisent pas, elles regardent simplement le marché sous des angles différents (facette/profil).
Et attention, je n'ai pas dit un mot sur le fait que le marché était aléatoire. Si le marché était aléatoire, nous ne verrions pas d'effets similaires avec des modèles formés sur des données aléatoires. Ouais et ils ne laisseront pas les oncles être un marché aléatoire (économie par la jambe).
J'ai essayé de sélectionner les modèles de travail "avec ma propre méthode" à partir de l'aléatoire, le modèle a pris un temps très long à apprendre, j'ai sélectionné le premier modèle disponible pour l'achat, et puis le studio a planté et j'ai dû le fermer par l'achèvement des tâches, j'ai réussi à sauvegarder le modèle, mais la cible n'a pas été sauvegardée et essentiellement la recherche de modèles a été impossible, j'ai dû réapprendre le modèle entier, une telle nuisance ...
Le seul motif que j'ai réussi à écrire était plutôt bon(du moins, c'est ce que j'aime à penser :)) )
C'est très joli, vous ne trouvez pas ? !!
77% de gain, c'est bien !
Le rapport prise/arrêt sur 1k2 est également +-non mauvais
j'ai eu beaucoup de bons résultats, je ne sais pas quoi en faire, ils sont échangés vers le haut.
Je vais peut-être devoir réapprendre le modèle et le tester, le tester, réfléchir et le tester à nouveau... En attendant, bonne chance à tous)
J'ai essayé de sélectionner les modèles de travail "avec ma propre méthode" à partir de l'aléatoire, le modèle a pris un temps très long à apprendre, j'ai sélectionné le premier modèle disponible pour l'achat, et puis le studio a planté et j'ai dû le fermer par l'achèvement des tâches, j'ai réussi à sauvegarder le modèle, mais la cible n'a pas été sauvegardée et essentiellement la recherche de modèles a été impossible, j'ai dû réapprendre le modèle entier, une telle nuisance ...
Le seul motif que j'ai réussi à écrire était plutôt bon(du moins, c'est ce que j'aime à penser :)) )
C'est très joli, vous ne trouvez pas ? !!
kol. rentable 77% c'est bien
Un rapport prise/arrêt supérieur à 1k2 est également +-non mauvais
j'ai obtenu beaucoup de bons résultats, même si je ne sais pas ce que je voulais dire et je ne sais pas quoi en faire.
Je vais peut-être devoir réapprendre le modèle et le tester, le tester, réfléchir et le tester à nouveau... En attendant, bonne chance à tous)
J'ai jeté un coup d'œil à la nouvelle série de données par souci d'intérêt.
(J'ai un peu d'avance sur vous. Je vous ai à peine trouvé)))) rattraper...
https://numer.ai/
Quelque chose a mal tourné.
J'ai pris le même modèle avec les mêmes paramètres que la dernière fois, le résultat après évaluation était pire. J'ai dû ajuster les paramètres du modèle et procéder à une nouvelle validation croisée. J'ai décidé de contourner cette procédure et de former un autre modèle qui a montré de bien meilleurs résultats sur les données d'entraînement. Maintenant, j'ai prévu ce deuxième modèle mais la perte logarithmique sur le numéraire est pire. Ce n'est pas bon. Je vais revenir au premier modèle et faire une validation croisée.
j'ai vérifié le même schéma, mais pas pendant une demi-année (oos)(comme la première fois), mais pendant 5 ans (oos)
Tous les indicateurs ont chuté de façon spectaculaire, mais je ne peux pas dire que le modèle ne fonctionne pas, les stops et les prises sont les mêmes, rien n'a changé et aucun ajustement n'a été fait et j'ai également remarqué une tendance constante à la baisse sur le marché, le modèle est long, nous ne pouvons négocier que sur le long terme.
si nous optimisons les arrêts et les décollages, nous obtiendrons peut-être une meilleure image, mais c'est un réglage fin.
Je suis un peu confus par tout cela, pourquoi cela fonctionne-t-il du tout ?
=================================================================
Et une question pour la salle : est-ce que quelqu'un est intéressé par ce que je mets en ligne, parce que je ne vois aucun intérêt...
peut-être que personne n'en a besoin et que je ne fais qu'encombrer le fil de discussion ?
=================================================================
Et une question pour la salle : est-ce que quelqu'un est intéressé par ce que je poste, parce que je ne vois aucun intérêt...
Peut-être que personne n'en a besoin et que je ne fais qu'encombrer le fil de discussion ?
Bien sûr, c'est intéressant.
Maintenant en temps réel. Et n'oubliez pas de surveiller ici.